什么是机器学习?定义,类型

作者:孙宇晨 来源:www.5idf.cn 2020-09-17   阅读:

什么是机器学习?

机器学习或机器学习是人工智能领域,指的是开发使计算机能够学习的算法和技术的领域。例如,可以训练它识别通过机器学习接收的电子邮件是否为垃圾邮件。

机器学习的核心在于表示和概括。表示是对数据的评估,概括是对未知数据的处理。它也是计算学习理论的领域。 

1959年,阿瑟·塞缪尔的学习机“上执行,即没有被定义为学习计算机的能力,或代码领域的行动能力研究” 定义为是。[资料来源-维基百科]

🔥 <<简单摘要>> 🔥

  • 机器学习技术没有明确编程,而是教会计算机如何通过从数据中学习来执行任务。

机器学习简介(基于SAP)

机器学习使用复杂的算法从大量的大数据中“学习”。一个算法可以访问的数据越多,它学习的内容就越多。现实生活中机器学习的例子无处不在。例如,亚马逊的个性化产品推荐,Facebook的面部识别或Google Maps的快速路线推荐。

机器学习的类型 

  • 神经网络 

    • 神经网络(即人工神经网络)是一种类似于人脑中神经元工作方式的机器学习。它是一种计算机程序,它使用并行运行的多层节点(或“神经元”)来学习事物,识别模式并以类人的方式做出决策。 

  • 深度学习

    • 深度学习是一个“深度”神经网络,其中包含多层神经元和大量数据。这种先进的机器学习可以解决复杂的非线性问题,并负责创新的AI,例如自然语言处理(NLP),个人数字助理和自动驾驶汽车。 

  • 监督与自学 *以下更详细

    • 在监督学习算法中,使用包含正确答案的数据执行学习。在开发出将数据映射到正确答案的模型后,这些模型将用于进一步处理。自学习算法在没有给出正确答案的情况下学习数据。它利用多种数据集进行自我完善。 

监督与自学的见解(一种广泛使用的技术)  

  • 监督学习

    • 通过比较实际输出值和正确的输出值,在检测错误的同时执行算法学习。
      监督学习最常用于根据过去的数据预测即将发生的事件。例如,它可以有效地预测被保险会员进行欺诈性信用卡交易或保险索赔的可能性。

  • 无监督学习

    • 该系统中没有“正确答案” ,因此算法需要知道当前正在输出什么。
      因此,目的是探索数据并了解内部结构。无监督学习对于事务数据特别有效。例如,在识别出具有相似属性的客户细分之后,您可以基于相似性来管理营销活动中的客户细分,或者查找作为分类客户细分标准的关键属性。

  • 强化学习

    • 它被广泛用于机器人,游戏和导航。强化学习算法可以找到可以通过反复试验获得最大回报的行动。这种类型的学习基本上由三个元素组成:代理(学习者或决策者),环境(代理与之交互的任何对象)和动作(代理活动)。该算法的目的是允许代理选择可以在一定时间内最大化预期奖励的操作。因此,可以说强化学习的目标是学习最佳策略。

关键领域的机器学习用例

  • 生产

    • 制造商从工厂传感器和物联网(IoT)收集大量数据,这是机器学习的理想选择。计算机视觉和异常检测算法用于质量控制,机器学习算法用于从主动维护和需求预测到新服务交付的所有内容。 

  • 金融

    • 拥有大量数据和历史记录,金融是机器学习的最佳行业。算法用于股票交易,贷款审批,欺诈检测,风险评估和保险承保。它还可用于向客户提供“每日建议”,并根据用户目标调整投资组合。 

  • 药物治疗

    • 无论投入多少时间,机器学习算法都可以比研究团队或医生处理更多的数据并发现更多的模式。由于可穿戴设备和传感器可以使用IoT技术实时确定患者的健康状况,因此医疗行业正成为机器学习快速发展的主要阶段。

  • 市场营销和销售

    • 推荐买家可能喜欢的产品的网站也可以使用机器学习。通过分析过去买家的搜索和购买记录,可以将其用于产品推荐和促销。捕获和利用数据来个性化购物体验(或执行营销活动)的趋势正在接近该行业的未来。

  • 政府

    • 由于负责公共安全的政府部门和提供公共服务的机构拥有各种数据,因此特别有很多机会可以通过机器学习获得见解。例如,可以对传感器数据进行分析以找到提高效率和降低成本的方法,或者可以使用机器学习来检测欺诈并最大程度地减少个人信息的盗用。

  • 过境

    • 即使在必须有效规划旅行路线并且预计潜在问题会增加盈利能力的运输行业中,用于分析数据以查找模式和趋势的技术也正在成为一种关键技术。因此,快递公司,公共运输服务和其他运输公司正在将机器学习的数据分析和建模技术用作重要的分析解决方案。

数据挖掘,机器学习和深度学习之间的区别?

这三种方法都具有相同的目的,即获得洞察力,模式和关系,并将其用于决策,但是它们的方法和作用不同。

  • 数据挖掘
    • 数据挖掘可以看作是从数据中获取见解的许多方法的高级概念。这包括传统的统计技术和机器学习。数据挖掘可以在各个领域应用技术,以找到以前从未在数据中找到的模式,包括统计算法,机器学习,文本分析,时间序列分析以及各个领域中的其他分析技术。

  • 机器学习

    • 机器学习之间的主要区别在于,它将理论分布应用于数据,目的是理解数据的结构。机器学习是基于计算机探索数据结构的能力而开发的。机器学习模型通过对新数据的验证错误进行测试。机器学习可以轻松地实现自动化,因为它以迭代方式从数据中学习。之后,它将重复遍历数据并发现强模式。

  • 深度学习

    • 深度学习将先进的计算能力与特殊类型的神经网络相结合,可以从大量数据中学习复杂的模式。如今,深度学习被认为是识别图像中的对象和声音中的单词的尖端技术。此外,研究机构还试图将这种成功的模式识别技术应用于复杂任务,例如自动语言翻译,医学诊断以及其他重要的社会和商业问题。

机器学习应用实例

  • Google的Magenta项目
    • 2017年,位于美国的Google总部宣布了``洋红色项目'',以了解和再现人类艺术。“紫色项目设计创意艺术学习AI算法已经创造了一个新的声音和音乐来创建一个包含超过1000种不同的乐器和音符3000万件数据库,并研究它们的AI。
      这个例子清楚地表明了这样一个现实:机器学习的未来(人类的独特领域)可能很快就会到来。

  • 人脸合成成像技术
    • 近来,机器学习领域出现了,但是使用“ 深度学习”的高级面部合成成像技术已经出现。7月,交互式AI初创公司Moneybrain揭开了Moon Jae-in总统的视频,该视频是新创建的“深度学习面部合成技术”。
      它应用了诸如面部特征提取,皮肤合成和情感表达等先进技术,结合了视频和语音,并通过训练产生了类似于真实人的AI图像。 

    • 人工智能锚是一项允许记者输入新闻文章的技术,人工智能可以用锚的声音和手势说同样的话。它的优点是可以通过人工智能锚点提高电视新闻的制作效率,降低成本,并可以在紧急情况下快速创建相关视频。业内人士表示,他们计划不仅使用面部合成技术扩展人工智能新闻,而且还将扩展娱乐和商业领域。

  • 转录自己的声音
    • 机器学习成功的另一个例子是成绩单打字服务,其准确率约为95%。4月,一家名为Action Power的韩国公司推出了“ Daglo”,它可以按原样读取语音。Daglo自己开发的技术(准确度高达95%)是一项以字母输入“语音”的服务,这是传递消息的最快,最简单的方法。

    • 它以60-70%的精度优于Google的语音识别文本转换服务。从记者到分析师,速记员和一般办公室工作人员,采访和会议的录音都可以轻松组织。

  • 机器学习驱动的电池效率
    • 不久前,iOS 13应用于iPhone 11系列。它配备了基于机器学习的电池优化功能,该功能可检测电池的状态并减缓电池的老化。众所周知,锂离子电池会通过重复充电和放电来缩短寿命,并且100%充电会加速电池老化。

    • 如果将通常的电池电量保持在40-80%,则可以使用更长的时间。因此,iOS 13中安装的“ 优化电池充电”选项可学习用户的使用习惯并通过机器学习确定充电容量。以前,当连接充电电缆时,它会无条件地以100%充电,但是一旦激活该选件,它就会充电到80%,其余的在用户使用iPhone时会充电。

机器学习的重要性

随着数据行业的发展,机器学习在所有行业中的使用和重要性都在增加。基础业务开始根据数据做出重大决策,处理这种数据的人在社会中的地位越来越重要。有人迅速掌握了流程并开始成为数据专家。

USCD荣誉教授特里·塞兹诺斯基(Terry Sezhnosky)说:“数据是一种新油。但是,如果没有能够精炼石油的机器学习称为数据,那么拥有万亿级数据是没有用的,” 他强调了机器学习的重要性

分享给小伙伴们:
如果本文侵犯了您的权利, 请联系本网立即做出处理,谢谢。
当前位置:孙宇晨博客 > 技术 > 《什么是机器学习?定义,类型转载请注明出处。
相关文章
  • 世界上第一个5G技术是什么?什么是5G

    世界上第一个5G技术是什么?什么是5G

  • 初学者学算法|谈什么是算法和时间复杂度

    初学者学算法|谈什么是算法和时间复杂度

  • 聚合物电容,为什么越来越多被选用?

    聚合物电容,为什么越来越多被选用?

  • 为什么有时候我们在电路中串联220Ω电阻

    为什么有时候我们在电路中串联220Ω电阻